pytorch 线性回归 笔记

先付上代码：

import  torch

x_data = torch.Tensor([[1.0],[2.0],[3.0]])
y_data = torch.Tensor([[2.0],[4.0],[6.0]])

class LinearModel(torch.nn.Module):
    def __init__(self):#构造函数
        super(LinearModel,self).__init__()
        self.linear = torch.nn.Linear(1,1)#构造对象，并说明输入输出的维数，第三个参数默认为true，表示用到b
    def forward(self, x):
        y_pred = self.linear(x)#可调用对象，计算y=wx+b
        return  y_pred

model = LinearModel()#实例化模型

criterion = torch.nn.MSELoss(size_average=False)
#model.parameters()会扫描module中的所有成员，如果成员中有相应权重，那么都会将结果加到要训练的参数集合上
optimizer = torch.optim.SGD(model.parameters(),lr=0.01)#lr为学习率

for epoch in range(1000):
    y_pred = model(x_data)
    loss = criterion(y_pred,y_data)
    print(epoch,loss.item())

    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

print('w=',model.linear.weight.item())
print('b=',model.linear.bias.item())

x_test = torch.Tensor([[4.0]])
y_test = model(x_test)
print('y_pred = ', y_test.data)

这是有关线性回归的代码，对应B站上这位博主的课程  传送门

对这些代码比较难懂的点做一下笔记：

class LinearModel(torch.nn.Module):

1、这句话是自己定义的一个类，以后如果做线性回归的可以通用的；哪怕不是做线性回归，也可以在这个函数内部改一改就行了。这个类的作用是求出前馈，也就是y_hat，如果以后用其他网络，只需要把这个类里面的forward方法改一改就行了。

self.linear = torch.nn.Linear(1,1)#构造对象，并说明输入输出的维数，第三个参数默认为true，表示用到b
y_pred = self.linear(x)#可调用对象，计算y=wx+b

2、看到这两句代码可能有点疑惑。torch.nn.Linear是一个类，里面是参数表示输入输出的维度，然后将类实例化。因为这个类包括了call回调函数，所以实例化后可以直接当成函数一样用。因为这个linear包括了call回调函数，而call回调函数又调用了forward，而forward是用来求y_hat的，所以给它一个x，它就返回一个y。

我们在使用时，是调用model这个类，这个类包含了forward，forword包含了linear，这块不用细究怎么做到的，反正真正起作用的应该是linear。

optimizer = torch.optim.SGD(model.parameters(),lr=0.01)

3、linear里面是y=wx+b，通过输入输出维度，确定了w、b的维度，然后把x_data输入进去，就返回了y_hat，同时w和b的参数保存在linear.parameters里面。调用model.parameters其实是最终调用linear.parameters。语句 print('w=',model.linear.weight.item()) 也印证了这一点

criterion = torch.nn.MSELoss(size_average=False)
optimizer = torch.optim.SGD(model.parameters(),lr=0.01)#lr为学习率

4、例如MSEloss、optim.SGD都是类，只不过内部有call函数，所以可以直接这么用，要分清楚，pytorch是一个比较大的库，肯定是采用面向对象的方式编程。